自然语言理解的联合建模技术研究与应用
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 研究现状 | 第11-14页 |
| 1.2.1 自然语言理解的研究现状 | 第11-14页 |
| 1.2.2 自然语言理解任务中未登录词的研究现状 | 第14页 |
| 1.3 研究内容及章节安排 | 第14-18页 |
| 1.3.1 本文的研究内容 | 第14-15页 |
| 1.3.2 本文的章节安排 | 第15-18页 |
| 第二章 基础知识 | 第18-28页 |
| 2.1 长短期记忆网络 | 第18-21页 |
| 2.1.1 循环神经网络 | 第18-19页 |
| 2.1.2 长短期记忆网络 | 第19-21页 |
| 2.2 卷积神经网络 | 第21-23页 |
| 2.2.1 卷积神经网络 | 第21-22页 |
| 2.2.2 池化操作 | 第22-23页 |
| 2.3 K-means | 第23-24页 |
| 2.3.1 K-means算法 | 第23-24页 |
| 2.3.2 K-means++算法 | 第24页 |
| 2.4 决策树算法 | 第24-26页 |
| 2.4.1 决策树特征选择 | 第25页 |
| 2.4.2 决策树生成 | 第25-26页 |
| 2.4.3 决策树剪枝 | 第26页 |
| 2.5 本章小结 | 第26-28页 |
| 第三章 上下文层次联合模型簇 | 第28-44页 |
| 3.1 上下文层次联合模型簇 | 第28-32页 |
| 3.2 实验数据及设置 | 第32-35页 |
| 3.2.1 实验数据 | 第32-34页 |
| 3.2.2 实验设置及评测 | 第34-35页 |
| 3.3 实验结果及结论 | 第35-42页 |
| 3.3.1 交互信息的结论分析 | 第37-38页 |
| 3.3.2 层次信息的结论分析 | 第38-39页 |
| 3.3.3 上下文信息的结论分析 | 第39-41页 |
| 3.3.4 模型之间的结论分析 | 第41-42页 |
| 3.4 本章小结 | 第42-44页 |
| 第四章 未登录词的标注技术 | 第44-54页 |
| 4.1 显式上下文模型 | 第44-46页 |
| 4.2 语义类别特征 | 第46-47页 |
| 4.2.1 数字OOV的语义类别特征 | 第46页 |
| 4.2.2 一般性OOV的语义类别特征 | 第46-47页 |
| 4.3 实验数据及设置 | 第47-48页 |
| 4.3.1 实验数据 | 第47-48页 |
| 4.3.2 实验设置及评测 | 第48页 |
| 4.4 实验结果及结论 | 第48-52页 |
| 4.4.1 ECM模型的实验结果及结论 | 第48-49页 |
| 4.4.2 语义类别特征的实验结果及结论 | 第49-52页 |
| 4.5 本章小结 | 第52-54页 |
| 第五章 基于人机对话的智能问答系统 | 第54-62页 |
| 5.1 系统框架 | 第54-55页 |
| 5.2 自然语言理解模块的实现 | 第55-58页 |
| 5.3 系统展示 | 第58-60页 |
| 5.4 本章小结 | 第60-62页 |
| 第六章 总结与展望 | 第62-64页 |
| 6.1 本文工作总结 | 第62页 |
| 6.2 未来研究展望 | 第62-64页 |
| 参考文献 | 第64-68页 |
| 致谢 | 第68-70页 |
| 作者攻读学位期间发表的学术论文目录 | 第70页 |
